-
公开(公告)号：CN110516594A
公开(公告)日：2019-11-29
申请号：CN201910796837.4
申请日：2019-08-27
Applicant: 安徽大学
Abstract: 本发明公开了一种指静脉可取消特征模板的保护方法及其保护装置，该方法包括以下步骤：将指静脉图像中各邻域差分进行映射，获取差分激励图；判断指静脉方向，并计算弯曲度，获取几何特征图；差分激励图与几何特征图联合，获取二维特征图，获取两个方向的特征矩阵；对特征矩阵降维，获取特征向量；生成随机数向量，获取随机矩阵；将特征向量联合成特征矩阵，再将特征向量与随机矩阵内积运算，获取可取消模板；将可取消模板投影至同一个子空间，建立目标函数，生成指静脉可取消模板；将指静脉可取消模板匹配，计算测试样本与训练样本的相似度，对测试样本分类。本发明提高识别性能和撤销/可重用性，增加不可逆性、多样性以及安全性。
-
公开(公告)号：CN110516594B
公开(公告)日：2022-03-18
申请号：CN201910796837.4
申请日：2019-08-27
Applicant: 安徽大学
IPC: G06V40/40 , G06V10/74 , G06V10/80 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种指静脉可取消特征模板的保护方法及其保护装置，该方法包括以下步骤：将指静脉图像中各邻域差分进行映射，获取差分激励图；判断指静脉方向，并计算弯曲度，获取几何特征图；差分激励图与几何特征图联合，获取二维特征图，获取两个方向的特征矩阵；对特征矩阵降维，获取特征向量；生成随机数向量，获取随机矩阵；将特征向量联合成特征矩阵，再将特征向量与随机矩阵内积运算，获取可取消模板；将可取消模板投影至同一个子空间，建立目标函数，生成指静脉可取消模板；将指静脉可取消模板匹配，计算测试样本与训练样本的相似度，对测试样本分类。本发明提高识别性能和撤销/可重用性，增加不可逆性、多样性以及安全性。
-
公开(公告)号：CN111340103A
公开(公告)日：2020-06-26
申请号：CN202010113414.0
申请日：2020-02-24
Applicant: 安徽大学
Abstract: 本发明公开了一种基于图嵌入典型相关分析的特征层融合方法及其装置。该特征层融合方法包括：将所有模态中样本映射到同一分类结果的空间的投影矩阵，并对所述投影矩阵施加L21范数正则化，以实现同时在多个单模态特征空间中选择出独立互补特征；构造数据相似图矩阵，以表示所述单模态特征空间中样本点的相近关系；通过所述正则化目标函数为每个模态学习相应的投影矩阵，将多个模态数据投影到具备最大辨别力、最大相关性及最小冗余性的投影子空间中，实现多模态数据融合。本发明实现多模态数据融合，消除了原特征空间中冗余信息的干扰，提高单模态特征鉴别力，增强多模态样本集间的相关性，提升识别性能和稳定性，特征融合效果好，识别效果佳。
-
公开(公告)号：CN111340103B
公开(公告)日：2023-08-25
申请号：CN202010113414.0
申请日：2020-02-24
Applicant: 安徽大学
IPC: G06F18/25 , G06F18/2132 , G06V10/80 , G06V10/77 , G06V40/70
Abstract: 本发明公开了一种基于图嵌入典型相关分析的特征层融合方法及其装置。该特征层融合方法包括：将所有模态中样本映射到同一分类结果的空间的投影矩阵，并对所述投影矩阵施加L21范数正则化，以实现同时在多个单模态特征空间中选择出独立互补特征；构造数据相似图矩阵，以表示所述单模态特征空间中样本点的相近关系；通过所述正则化目标函数为每个模态学习相应的投影矩阵，将多个模态数据投影到具备最大辨别力、最大相关性及最小冗余性的投影子空间中，实现多模态数据融合。本发明实现多模态数据融合，消除了原特征空间中冗余信息的干扰，提高单模态特征鉴别力，增强多模态样本集间的相关性，提升识别性能和稳定性，特征融合效果好，识别效果佳。
-
-
-
Search Results
4
records
(took 0.019 seconds)
